Opinión Pública en Uruguay
La Unidad de Métodos y Acceso a Datos (UMAD) (FCS-UdelaR) a partir del Observatorio Uruguay busca aportar a la difusión de conocimiento respecto a temas de interés general sobre la realidad social, económica y política del Uruguay. Esta serie de documentos tiene como objetivo presentar indicadores clave para el análisis de tendencias históricas del país que esperamos sean de utilidad para las comunidades académicas, los tomadores de decisión y los formadores de opinión, así como el público en general. Se presentan aquí indicadores de opinión pública provenientes de encuestadoras locales y proyectos de opinión pública internacionales
Opinión pública en Uruguay
Las primeras encuestas de opinión pública en Uruguay de las que existe regristo datan alrededor de 1956 generando incluso una fuerte presencia en los diarios de la época hacia fines de la década del 1950 y 1960 (Aguiar, 2000). Incluso algunas de estas encuestas llevadas a cabo principalmente por la empresa Gallup están disponibles en el archivo de datos de ciencias sociales Roper Center de la Universidad de Cornell. Sin embargo, es a principio de los 90s que comienzan los estudios sistemáticos a nivel nacional de opinión pública -que cuentan con series históricas de preguntas realizadas hasta el día de hoy- en nuestro país (Zuasnábar, 2018). Hacia finales de la década de 1990 las consultoras Equipos, Cifra, Factum e Interconsult y Radar a la que sumaría Opción Consultores en la década de 2010 realizan periódicamente encuestas de opinión pública para diversos actores en nuestro país, frecuentemente difundidas en medios de comunicación.
A su vez, existen proyectos de opinión pública internacionales que realizan encuestas de opinión pública en Uruguay y habilitan acceso a los microdatos. Estos proyetos aplican los mismos -o muy similares- cuestionarios en distintos países de la región o el mundo facilitando los estudios comparados de opinión pública entre países. El proyecto de más larga data es Latinobarómetro que ha realizado 21 encuestas en nuestro país entre 1995 y 2020, realizando también encuestas en otros 17 países latinoamericanos y España. A su vez, el Barómetro de las Américas de LAPOP de la Universidad de Vanderbilt realiza encuestas periódicamente desde 2006 en nuestro país y otros países de la región y fuera de la región también. A su vez, otros proyectos internacionales que ocasionalmente realizan encuestas de opinión pública en Uruguay son la Encuesta Mundial de Valores (1996, 2006 y 2011) y el Comparative Study of Electoral Systems (2009 y 2019)
Guía de uso
Hablar de margen de error, diferentes question wordings, etc.
Evaluación presidencial
La evaluación presidencial es uno de los indicadores más utilizados en el estudio de la opinión pública en sistemas presidencialistas y releva cómo la opinión pública evalúa la gestión del presidente. Entre otros motivos, la aprobación presidencial es importante en sistemas presidencialistas porque los presidentes pueden utilizar las evaluaciones que la opinión pública como una guía para ajustar sus programas (Carlin et al., 2015). De esta forma, la aprobación presidencial funciona como un mecanismo de accountability o rendición de cuentas que el electorado posee para reaccionar frente a las decisiones del presidente. Entre otras consecuencias, existe evidencia para América Latina de que una eleveda aprobación presidencial aumenta la probabilidad de pasar legistlatura de forma satisfactoria (Calvo, 2007), contribuye a gobiernos más estables (Martinez-Gallardo, 2012) y aumenta la probabilidad de los presidentes de terminar sus mandatos (Perez-Liñán, 2007).
La evaluación del presidente en Uruguay se releva releva a nivel nacional de forma ininterrumpida fines de la década de 1980 por consultoras de opinión pública locales. El fraseo de la pregunta suele ser alguna variación de “¿Ud. aprueba o desaprueba la forma en que se está desempeñando el Presidente?”.
Ciclos de aprobación presidencial
- Luna de miel: los primeros meses de mandato suele ser el período donde el presidente obtiene mayor aprobación
- Deterioro: posterior a la luna de miel, usualmente antes de cumplido el primer año del mandato, suele existir un declive gradual de la aprobación hasta cerca del año antes del término de su mandato.
- Recupero final: en los últimos meses del mandato y previo a la próxima elección, la aprobación del presidente suele recuperarse, aunque sin alcanzar los niveles de la luna de miel. Uruguay es el país en América Latina que suele tener los repuntes más altos (Carlin et al., 2018)
Serie histórica de aprobación
Como se menciona en la guía de uso, es necesario tener ciertos recabos al agregar datos de diferentes encuestas. Las consultoras de opinión pública que publican datos de evaluación del presidente suelen diferir en el fraseo de la pregunta, método de administración o esquema de ponderación. De esta forma, es necesario ser cauteloso al interpretar diferencias entre dos encuestas realizadas de forma distinta, dado que el error no muestral puede causar diferencias mayores al margen de error teórico.
Para poder analizar el cambio en el tiempo de la evaluación del presidente presentamos los datos de tres maneras, para que el usuario pueda utilizar la que más se ajuste a sus necesidades (se puede acceder a los datos completos a través del paquete de R opuy): (1) calculamos la tendencia utilizando todos los datos disponibles en opuy mediante una regresión local (loess); (2) combinamos los datos de las series de cada encuestadora utilizando el algoritmo de dyads-ratio para estimar una sola serie; (3) presentamos la serie con los datos de la consultora con mayor cantidad de encuestas -en este caso Equipos-. Cada estrategia de análisis tiene ventajas y desventajas que deben ser consideradas al emplear estos datos una investigación.
1. Datos crudos de todas las fuentes
Los datos de evaluación del presidente disponibles en opuy conforman distintas series que no son estrictamente comparables, es decir, la serie de una consultora puede presentar de forma sistemática evaluaciones superiores o inferiores a la de otra consultora debido a los métodos utilizados (método de administración, pregunta, categorías de respuesta, esquema de ponderación, etc.). Por esto desaconsejamos el uso lineal de los datos combinados, y simplemente presentamos una línea de tendencia -estimada con una regresión local- que permite estimar a grandes rasgos los niveles absolutos de evaluación en cada período y la variación en cada período.
Los gráficos debajo muestran datos para 7 períodos presidenciales aunque solo existe información para todo el perído entre el segundo gobierno de Sanguinetti y el segundo gobierno de Vázquez. 4 de las 5 administraciones para las que tenemos datos del período completo se ajustan al ciclo típico de aprobación presidencial: luna de miel, declive y repunte final, con la excepción del segundo gobierno de Sanguinetti, que muestra un repunte final pero no una luna de miel.
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# remotes::install_github("Nicolas-Schmidt/opuy")
library(opuy)
library(tidyverse)
# Descargar data desde opuy y crear tabla
dat_opuy <- opuy %>%
filter(medicion == 'Evaluacion de gestion presidente') %>%
select(fecha, anio_gobierno, empresa, valor, presidente, categoria_unificada) %>%
mutate(categoria_unificada = case_when(
categoria_unificada == 3 ~ "Aprueba",
categoria_unificada == 2 ~ "Ni aprueba ni desaprueba",
categoria_unificada == 1 ~ "Desaprueba",
categoria_unificada == 0 ~ "NSNC")) %>%
pivot_wider(names_from = categoria_unificada, values_from = valor) %>%
mutate(Saldo = Aprueba - Desaprueba) %>%
mutate(presidente = factor(presidente,
levels = c("Lacalle", "Sanguinetti 2", "Batlle",
"Vazquez 1", "Mujica", "Vazquez 2",
"Lacalle Pou")))
# Anotaciones para gráfico
annotation <- data.frame(
x = as.Date(c( "1992-01-01","1997-06-06", "2002-06-06", "2007-06-06",
"2012-06-06", "2017-06-06", "2022-01-01")),
y = 85,
label = c("Lacalle","Sanguinetti II", "Batlle", "Vázquez I", "Mujica",
"Vázquez II", "Lacalle Pou"))
fechas <- as.Date(c("1995-01-01","2000-01-01", "2005-01-01",
"2010-01-01", "2015-01-01", "2020-01-01"))
# Grafico % aprobación
aprob_serie <- dat_opuy %>%
ggplot(aes(x = fecha, y = Aprueba, color = presidente)) +
geom_smooth(aes(group = presidente), method ="loess", se = FALSE) +
geom_point(size = 1.5, alpha = 0.3) +
geom_vline(xintercept = as.numeric(fechas),
linetype = "dashed", size = 0.3, color = "grey30") +
geom_text(data = annotation, aes(x = x, y = y, label = label),
color = "black", size = 3, fontface = "bold") +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
labs(y = "% de aprobación",
x = "",
title = "Serie histórica de aprobación del presidente",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy \n
Datos originales de Equipos, Cifra, Factum, Opción, Interconsult y Radar') +
scale_color_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2")) +
scale_x_date(date_breaks = "2 years", date_minor_breaks = "1 year",
date_labels = "%Y", limits = c(as.Date("1990-01-01"), NA))
plot(aprob_serie)
# Grafico saldo neto
aprob_serie_s <- dat_opuy %>%
ggplot(aes(x = fecha, y = Saldo, color = presidente)) +
geom_smooth(aes(group = presidente), method ="loess", se = FALSE) +
geom_point(size = 1.5, alpha = 0.3) +
geom_vline(xintercept = as.numeric(fechas),
linetype = "dashed", size = 0.3, color = "grey30") +
geom_hline(yintercept = 0, size = 0.3) +
geom_text(data = annotation, aes(x = x, y = y, label = label),
color = "black", size = 3) +
annotate("segment", x = as.Date("1990-01-01"), y = 10, xend = as.Date("1990-01-01"), yend = 25,
arrow = arrow(type = "closed", length = unit(0.01, "npc"))) +
annotate("text",
label = "Evaluaciones \n positivas",
x = as.Date("1992-06-01"),
y = 15,
size = 3) +
annotate("segment", x = as.Date("1990-01-01"), y = -10, xend = as.Date("1990-01-01"), yend = -25,
arrow = arrow(type = "closed", length = unit(0.01, "npc"))) +
annotate("text",
label = "Evaluaciones \n negativas",
x = as.Date("1992-06-01"),
y = -15,
size = 3) +
theme_minimal(base_size = 10) +
theme(legend.position = "none",
title = element_text(face = "bold")) +
labs(y = "Saldo neto",
x = "",
title = "Serie histórica de evaluación del presidente",
subtitle = "Saldo neto = (% aprobación - % desaprobación)",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy \n
Datos originales de Equipos, Cifra, Factum, Opción, Interconsult y Radar') +
scale_color_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2")) +
scale_x_date(date_breaks = "2 years", date_minor_breaks = "1 year",
date_labels = "%Y", limits = c(as.Date("1990-01-01"), NA))
plot(aprob_serie_s)Por otra parte, los gráficos debajo resume mediante diagramas de caja (aunque manteniendo el valor de cada encuesta, con error aleatorio en el eje horizontal para mejorar la visualización) la distribución tanto del % de aprobación como del saldo neto, para los gobiernos donde tenemos datos para la totalidad del período. El primer gobierno de Vázquez junto al gobierno de Mujica son los gobiernos con mayor aprobación presidencial. El gobierno de Batlle es el que presenta mayor variación, con niveles de aprobación cercanos al 50% al comienzo pero alvanzando los niveles más bajos de los que hay registro, cercanos al 10% de aprobación.
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# remotes::install_github("Nicolas-Schmidt/opuy")
library(opuy)
library(tidyverse)
# Descargar y manipular data desde opuy
dat_opuy <- opuy %>%
filter(medicion == 'Evaluacion de gestion presidente') %>%
select(fecha, anio_gobierno, empresa, valor, presidente, categoria_unificada) %>%
mutate(categoria_unificada = case_when(
categoria_unificada == 3 ~ "Aprueba",
categoria_unificada == 2 ~ "Ni aprueba ni desaprueba",
categoria_unificada == 1 ~ "Desaprueba",
categoria_unificada == 0 ~ "NSNC")) %>%
pivot_wider(names_from = categoria_unificada, values_from = valor) %>%
mutate(Saldo = Aprueba - Desaprueba) %>%
mutate(presidente = factor(presidente,
levels = c("Lacalle", "Sanguinetti 2", "Batlle",
"Vazquez 1", "Mujica", "Vazquez 2",
"Lacalle Pou")))
# Distribución aprobación
ggplot(dat_opuy %>%
filter(presidente != "Lacalle Pou"),
aes(x = presidente, y = Aprueba)) +
geom_boxplot(aes(fill = presidente), outlier.shape = NA, lwd = 1, alpha = 0.4) +
geom_jitter(aes(color = presidente), size = 2, alpha = 0.5) +
theme_minimal() +
theme(legend.position = "none") +
labs(title = "Evaluación del presidente",
subtitle = "Diagrama de caja, % de aprobación",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy
Datos originales de Equipos, Cifra, Factum, Opción, Interconsult y Radar',
y = "% de Aprobación",
x = "") +
scale_color_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2")) +
scale_fill_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2"))2. Estimación mediante algoritmo de dyad-ratios
Para obtener una estimación concreta que permita maximizar los datos de todas las fuentes sin comparar linealmente series de distintas consultoras, estimamos una dimensión latente de aprobación presidencial con el algoritmo de dyad-ratios siguiendo el enfoque del Executive Approval Project (ver Carlin et al., 2015). El algoritmo de dyad-ratios fue creado por James Stimson en 1991 y es parte fundamental del estudio temporal de la opinión pública agregada. El algoritmo funciona bajo el supuesto de que la proporción entre dos valores cualquiera dentro de una serie -en este caso series de evaluación del presidente de distintas consultoras, con sus diferencias metodológicas- son indicadores válidos de del cambio relativo en la dimensión latente. Si estos cambios relativos verdaderamente reflejan a una dimensión latente común, deberían variar en conjunto -por más detalles sobre el funcionamiento del algoritmo ver (Stimson, 2018)-.
Los gráficos debajo musetran la estimación de la evaluación presidencial (tanto en % de aprobación como en saldo neto) para cada trimestre desde 1990 a 2021. La estimación explica el 90%de la varianza, al mismo tiempo que todas las series correlacionan de forma positiva con la estimación. La principal ventaja de este método nos permite obtener una estimación concreta para cada trimestre, maximizando la información de todas las fuentes. En términos generales la estimación trimestral también permite ver los patrones cíclicos de la evaluación presidencial, aunque evidenciando ciertas oscilaciones a mitad de mandato, por ejemplo Mujica alcanza su menor nivel de aprobación en el segundo trimestre del segundo año, Jorge Batlle durante la mitad del período (primer trimestre de 2003) mientras que el segundo gobierno de Vázquez obtiene su menor nivel de aprobación en el primer trimestre de su último año demandato.
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# install.packages("zoo")
# remotes::install_github("Nicolas-Schmidt/opuy")
library(opuy)
library(tidyverse)
# Cargo la tabla (descargar de pestaña tabla)
serie_dr <- readxl::read_excel("data/aprob-dyad-ratio/serie_dyad_ratios.xlsx") %>%
mutate(quarter = zoo::as.yearqtr(format(quarter), "%Y Q%q"))
# Anotaciones para gráfico
annotation <- data.frame(
x = fechas <- c(1992.25, 1997.25, 2002.25, 2007.25, 2012.25, 2017.25, 2022.25),
y = 85,
label = c("Lacalle","Sanguinetti II", "Batlle", "Vázquez I", "Mujica",
"Vázquez II", "Lacalle Pou"))
fechas <- c(1994.85, 1999.85, 2004.85, 2009.85, 2014.85, 2019.85)
# Grafico % aprobación
plot_dr_a <- serie_dr %>%
ggplot(aes(x = quarter, y = aprobacion, color = aprobacion)) +
geom_line(size = 1) +
geom_point(size = 2, alpha = 0.6) +
geom_vline(xintercept = fechas,
linetype = "dashed", size = 0.3, color = "grey30") +
geom_text(data = annotation, aes(x = x, y = y, label = label),
color = "black", size = 3) +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
labs(y = "% de aprobación",
x = "",
title = "Serie histórica de aprobación del presidente",
subtitle = "Estimación utilizando el algoritmo de dyads-ratio",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy
Datos originales de Equipos, Cifra, Factum, Opción, Interconsult y Radar') +
scale_colour_gradient2(low = "firebrick2", mid = "gold2" , high = "forestgreen",
midpoint = mean(serie_dr$aprobacion))
plot(plot_dr_a)
## Serie de saldo neto dyad-ratios
# Grafico % aprobación
plot_dr_s <- serie_dr %>%
ggplot(aes(x = quarter, y = saldo, color = saldo)) +
geom_line(size = 1) +
geom_point(size = 2, alpha = 0.6) +
geom_hline(yintercept = 0) +
geom_vline(xintercept = fechas,
linetype = "dashed", size = 0.3, color = "grey30") +
geom_hline(yintercept = 0, size = 0.3) +
geom_text(data = annotation, aes(x = x, y = y, label = label),
color = "black", size = 3) +
annotate("segment", x = 1990.00, y = 30, xend = 1990.00, yend = 45,
arrow = arrow(type = "closed", length = unit(0.01, "npc"))) +
annotate("text",
label = "Evaluaciones \n positivas",
x = 1992.05,
y = 35,
size = 3) +
annotate("segment", x = 1990.00, y = -30, xend = 1990.00, yend = -45,
arrow = arrow(type = "closed", length = unit(0.01, "npc"))) +
annotate("text",
label = "Evaluaciones \n negativas",
x = 1992.05,
y = -35,
size = 3) +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
labs(y = "saldo neto",
x = "",
title = "Serie histórica de evaluación del presidente",
subtitle = "Cálculos sobre datos estimados mediante el algoritmo de dyads-ratio (% de aprobación)",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy
Datos originales de Equipos, Cifra, Factum, Opción, Interconsult y Radar') +
scale_colour_gradient2(low = "firebrick2", mid = "gold2" , high = "forestgreen",
midpoint = mean(serie_dr$saldo)) +
ylim(-50, 90)
plot(plot_dr_s)Los gráficos debajo muestran la media de nuestra estimación trimestral para % de aprobación y saldo neto, con las barras de error representando la desviación estandar. Las medias de la aprobación trimestral presentan un escenario similar al descripto anteriormente, con el primer gobierno de Vázquez y el gobierno de Mujica como los de mayor aprobación, y un nivel simiilar para el segundo gobierno de Sanguinetti y Vázquez. A su vez, la administración de Batlle es la que presenta mayor desviación debido a su luna de miel con altos % de aprobación y su posterior marcado declive hasta posiciones mayoritariamente negativas.
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# install.packages("zoo")
# remotes::install_github("Nicolas-Schmidt/opuy")
library(opuy)
library(tidyverse)
# Cargo la tabla
serie_dr <- readxl::read_excel("data/aprob-dyad-ratio/serie_dyad_ratios.xlsx") %>%
mutate(quarter = zoo::as.yearqtr(format(quarter), "%Y Q%q"))
dat_promedio <- serie_dr %>%
mutate(presidencia = factor(presidencia, levels = c("Lacalle", "Sanguinetti II",
"Batlle", "Vázquez I", "Mujica",
"Vázquez II", "Lacalle Pou"))) %>%
group_by(presidencia) %>%
filter(presidencia != "Lacalle Pou") %>% # Solo mandatos terminados
summarize(aprob_m = round(mean(aprobacion), digits = 1),
aprob_sd = round(sd(aprobacion), digits = 1))
# Gráfico Aprobación
plot_promedio <- ggplot(data = dat_promedio,
aes(x = presidencia, y = aprob_m, color = presidencia)) +
geom_errorbar(aes(ymin = aprob_m - aprob_sd, ymax = aprob_m + aprob_sd), width=.1) +
geom_point(size=3) +
geom_text(aes(label = aprob_m),hjust = -.5, vjust = .5) +
labs(title = "Promedio y desvío estandar de aprobación del presidente según administración",
subtitle = "Cálculos sobre datos estimados mediante el algoritmo de dyads-ratio (% de aprobación)",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy
Datos originales de Equipos, Cifra, Factum, Opción, Interconsult y Radar',
x = "",
y = "") +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
scale_color_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2"))
plot(plot_promedio)
# Saldo neto
plot_promedio_s <- ggplot(data = dat_equipos_avg,
aes(x = presidente, y = saldo_m, color = presidente)) +
geom_errorbar(aes(ymin = saldo_m - saldo_sd, ymax = saldo_m + saldo_sd), width=.1) +
geom_point(size=3) +
geom_hline(yintercept = 0, size = .3, linetype = "dashed") +
geom_text(aes(label = saldo_m),hjust = -.5, vjust = .5) +
labs(title = "Promedio y desvío estandar de evaluación del presidente según administración",
subtitle = "Cálculos sobre datos estimados mediante el algoritmo de dyads-ratio (saldo neto)",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy
Datos originales de Equipos, Cifra, Factum, Opción, Interconsult y Radar',
y = "", x = "") +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
scale_color_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2"))
plot(plot_promedio_s)3. Datos solo de Equipos Consultores
Por último, también es posible analizar la serie utilizando los datos de una única consultora, para mantener lo más constante posible la metodología de las encuestas. Si bien pueden existir cambios en la serie de una misma consultora, normalmente los grandes aspectos metodológicos presentan pocos cambios permitiendo la comparación lineal. En este caso presentamos la serie de Equipos Consultores porque es la mayor dentro de los datos de opuy (64% de las encuestas disponibles fueron realizadas por Equipos). Al igual que con la estimación mediante el algortimo de dyad-ratios la serie es trimestral. Como es de esperarse, los resultados son similares a los anteriormente descriptos.
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# remotes::install_github("Nicolas-Schmidt/opuy")
library(opuy)
library(tidyverse)
# Descargar data desde opuy y crear tabla
dat_equipos <- opuy %>%
filter(medicion == 'Evaluacion de gestion presidente',
empresa == "Equipos") %>%
select(fecha, anio_gobierno, empresa, valor, presidente, categoria_unificada) %>%
mutate(categoria_unificada = case_when(
categoria_unificada == 3 ~ "Aprueba",
categoria_unificada == 2 ~ "Ni aprueba ni desaprueba",
categoria_unificada == 1 ~ "Desaprueba",
categoria_unificada == 0 ~ "NSNC")) %>%
pivot_wider(names_from = categoria_unificada, values_from = valor) %>%
mutate(Saldo = Aprueba - Desaprueba) %>%
mutate(trimestre = lubridate::floor_date(fecha, "3 months" )) %>%
mutate(trimestre = zoo::as.yearqtr(trimestre, format = "%Y-%m-%d")) %>%
mutate(quarter = zoo::as.yearqtr(format(trimestre), "%Y Q%q")) %>%
mutate(presidente = factor(presidente,
levels = c("Lacalle", "Sanguinetti 2", "Batlle",
"Vazquez 1", "Mujica", "Vazquez 2",
"Lacalle Pou"))) %>%
group_by(quarter) %>%
summarize(Aprueba = mean(Aprueba),
Saldo = mean(Saldo),
presidente = first(presidente))
# Anotaciones para gráfico
annotation <- data.frame(
x = fechas <- c(1992.25, 1997.25, 2002.25, 2007.25, 2012.25, 2017.25, 2022.25),
y = 85,
label = c("Lacalle","Sanguinetti II", "Batlle", "Vázquez I", "Mujica",
"Vázquez II", "Lacalle Pou"))
fechas <- c(1994.85, 1999.85, 2004.85, 2009.85, 2014.85, 2019.85)
# Grafico % aprobación
aprob_serie_e <- dat_equipos %>%
ggplot(aes(x = quarter, y = Aprueba, color = Aprueba)) +
geom_line(size = 1) +
geom_point(size = 2, alpha = 0.6) +
geom_vline(xintercept = fechas,
linetype = "dashed", size = 0.3, color = "grey30") +
geom_text(data = annotation, aes(x = x, y = y, label = label),
color = "black", size = 3) +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
labs(y = "% de aprobación",
x = "",
title = "Serie trimestral de aprobación del presidente",
subtitle = "Promedio a partir de datos de Equipos",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy') +
scale_colour_gradient2(low = "firebrick2", mid = "gold2" , high = "forestgreen",
midpoint = mean(dat_equipos$Aprueba))
plot(aprob_serie_e)
# Grafico saldo neto
aprob_serie_s_e <- dat_equipos %>%
ggplot(aes(x = quarter, y = Saldo, color = Saldo)) +
geom_line(size = 1) +
geom_point(size = 2, alpha = 0.6) +
geom_hline(yintercept = 0) +
geom_vline(xintercept = fechas,
linetype = "dashed", size = 0.3, color = "grey30") +
geom_hline(yintercept = 0, size = 0.3) +
geom_text(data = annotation, aes(x = x, y = y, label = label),
color = "black", size = 3) +
annotate("segment", x = 1990.00, y = 15, xend = 1990.00, yend = 30,
arrow = arrow(type = "closed", length = unit(0.01, "npc"))) +
annotate("text",
label = "Evaluaciones \n positivas",
x = 1992.05,
y = 20,
size = 3) +
annotate("segment", x = 1990.00, y = -15, xend = 1990.00, yend = -30,
arrow = arrow(type = "closed", length = unit(0.01, "npc"))) +
annotate("text",
label = "Evaluaciones \n negativas",
x = 1992.05,
y = -20,
size = 3) +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
labs(y = "Saldo neto",
x = "",
title = "Serie trimestral de evaluación del presidente",
subtitle = "Promedio de saldo neto a partir de datos de Equipos",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy') +
scale_colour_gradient2(low = "firebrick2", mid = "gold2" , high = "forestgreen",
midpoint = mean(dat_equipos$Saldo))
plot(aprob_serie_s_e)Los gráficos debajon presentan las medias por gobierno con barras de error que representan el desvío estandar.
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# install.packages("zoo")
# remotes::install_github("Nicolas-Schmidt/opuy")
library(opuy)
library(tidyverse)
# Descargar data desde opuy y crear tabla
dat_equipos <- opuy %>%
filter(medicion == 'Evaluacion de gestion presidente',
empresa == "Equipos") %>%
select(fecha, anio_gobierno, empresa, valor, presidente, categoria_unificada) %>%
mutate(categoria_unificada = case_when(
categoria_unificada == 3 ~ "Aprueba",
categoria_unificada == 2 ~ "Ni aprueba ni desaprueba",
categoria_unificada == 1 ~ "Desaprueba",
categoria_unificada == 0 ~ "NSNC")) %>%
pivot_wider(names_from = categoria_unificada, values_from = valor) %>%
mutate(Saldo = Aprueba - Desaprueba) %>%
mutate(trimestre = lubridate::floor_date(fecha, "3 months" )) %>%
mutate(trimestre = zoo::as.yearqtr(trimestre, format = "%Y-%m-%d")) %>%
mutate(quarter = zoo::as.yearqtr(format(trimestre), "%Y Q%q")) %>%
mutate(presidente = factor(presidente,
levels = c("Lacalle", "Sanguinetti 2", "Batlle",
"Vazquez 1", "Mujica", "Vazquez 2",
"Lacalle Pou"))) %>%
group_by(quarter) %>%
summarize(Aprueba = mean(Aprueba),
Saldo = mean(Saldo),
presidente = first(presidente)) %>%
relocate(presidente, .after = quarter)
# Tabla final
dat_equipos_avg <- dat_equipos %>%
filter(presidente != "Lacalle Pou") %>% # Solo mandatos terminados
group_by(presidente) %>%
summarize(aprob_m = round(mean(Aprueba), digits = 1),
aprob_sd = round(sd(Saldo), digits = 1),
saldo_m = round(mean(Saldo), digits = 1),
saldo_sd = round(sd(Saldo), digits = 1))
# % Aprobacion
plot_promedio <- ggplot(data = dat_equipos_avg,
aes(x = presidente, y = aprob_m, color = presidente)) +
geom_errorbar(aes(ymin = aprob_m - aprob_sd, ymax = aprob_m + aprob_sd), width=.1) +
geom_point(size=3) +
geom_text(aes(label = aprob_m),hjust = -.5, vjust = .5) +
labs(title = "Promedio y desvío estandar de aprobación del presidente según administración",
subtitle = "Cálculos sobre datos de Equipos Consultores (% de aprobación)",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy',
y = "", x = "") +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
scale_color_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2"))
plot(plot_promedio)
# Saldo neto
plot_promedio_s <- ggplot(data = dat_equipos_avg,
aes(x = presidente, y = saldo_m, color = presidente)) +
geom_errorbar(aes(ymin = saldo_m - saldo_sd, ymax = saldo_m + saldo_sd), width=.1) +
geom_point(size=3) +
geom_text(aes(label = saldo_m),hjust = -.5, vjust = .5) +
geom_hline(yintercept = 0, size = .3, linetype = "dashed") +
labs(title = "Promedio y desvío estandar de evaluación del presidente según administración",
subtitle = "Cálculos sobre datos de Equipos Consultores (saldo neto)",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de opuy',
y = "", x = "") +
theme_minimal(base_size = 10) +
theme(legend.position = "none") +
scale_color_manual(name = "",
values = c("#5DADE2", "#BA0200", "#BA0200", "#013197",
"#013197", "#013197", "#5DADE2"))
plot(plot_promedio_s)Perspectiva comparada
Para poder comparar los niveles de aprobación presidencial entre países es necesario partir de estimaciones comparables y tener en cuenta los ciclos en la aprobación, es decir, comparar ciclos completos, o ciclos a la misma altura. En este caso para visualizar los promedios de aprobación de distintos presidentes en los países de América del Sur, utilizamos las series estimadas con el algoritmo de dyad-ratios publicadas por el Executive Approval Project. Utilizando estas series trimestrales de aprobación en cada país calculamos el promedio para cada presidente que haya terminado su ciclo.
El gráfico muestra que el rango de aprobación es similar para la mayoría de los países. Tanto Argentina, Brasil, Chile, Colombia, Ecuador y Uruguay muestran un rango de entre poco menos de 40% y 60% de aprobación promedio de los presidentes con ciclos cumplidos. Por otra parte, Paraguay y Venezuela muestrna un valor máximo inferior, cercano al 45% mientras que Perú es el país que presenta los dos pormedios de aprobación más bajos para gobiernos que cumplieron el ciclo.
Es importante considerar que la aprobación presidencial condiciona la probabilidad de que el presidente termine su ciclo. De esta forma, al considerar solamente gobiernos que hayan terminado su ciclo, se excluyen algunos mandatos con menor aprobación promedio
Intención de voto
–>
Autoidentificación ideológica
La ideología es generalmente entendida como un resumen de una visión del mundo representada por las posiciones respecto a distintos temas económicos y sociales. Usualmente estas posiciones pueden ser ubicadas a lo largo de una dimensión: izquierda/derecha o liberal/conservador. Se suele referir a la distinción entre izquierda y derecha, como un atajo que proporciona una orientación general hacia los líderes políticos y las políticas sociales de una sociedad (Inglehart y Sidjanski 1976).
Originalmente la ideología era vista como un sistema de creencias, es decir, un conjunto de opiniones coherentes respecto a distintos temas (Converse, 1964). Sin embargo, la literatura reciente sugiere que las posiciones respecto a políticas forman un elemento de la ideología (llamado ideología operacional), pero que existe un segundo elemento basado en las identidades sociales llamado ideología simbólica (Ellis y Stimson, 2012; Mason, 2018). La identificación con las etiquetas de izquierda o derecha son parte de la identidad social de los individuos y no necesariamente se explican por preferencias por políticas. De hecho, es posible que, en el agregado, el electorado en su conjunto mantenga posiciones principalmente de izquierda, aunque se identifica en mayor medida con la derecha, o viceversa (Ellis y Stimson, 2012)
Latinobarómetro pregunta por la autoidentificación ideoógica de la siguiente manera: En política se habla normalmente de “izquierda” y “derecha” En una escala dónde “0” es la “izquierda” y “10” la “derecha”, ¿Dónde se ubicaría Ud?.
De esta forma, es necesario tener en cuenta estos dos elementos de la ideología a la hora de operacionalizar este concepto. Normalmente las encuestas de opinión pública preguntan al individuo por cómo este se identifica ideológicamente. Estos datos -como los que se pueden visualizar en los gráficos debajo- nos permiten captar el elemento de la identidad social pero no necesariamente sus preferencias por políticas o posiciones respecto a temas relevantes. Existen otras medidas para operacionalizar las preferencias por políticas concretas como el Policy Mood a nivel agregado (Stimson, 1991) o a través de temas claves a nivel individual (ver Baker y Greene, 2011 para América Latina)
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# install.packages("ggridges")
library(tidyverse)
library(ggridges)
# Cargar tabla con datos y cambiar formato a largo
autid <- readxl::read_excel("data/latino/autid.xlsx")
uy_media <- autid %>%
filter(pais == "Uruguay") %>%
mutate(Media = round(as.numeric(Media), digits = 1)) %>%
mutate(sd = round(as.numeric(sd), digits = 1))
autid <- autid %>%
pivot_longer(`0`:n,
names_to = "cat",
values_to = "valor") %>%
mutate(valor = as.numeric(valor))
# Filtrar por Uruguay y preparar datos para gráfico
autid_uy <- autid %>%
filter(pais == "Uruguay") %>%
filter(cat != "Media",
cat != "n",
cat != "sd") %>%
mutate(valor = valor * 1000) %>%
select(-pais) %>%
filter(!is.na(valor))
# Expandir datos agregados a observaciones
expanded <- data.frame(autid = rep(autid_uy$cat, autid_uy$valor),
year = rep(autid_uy$year, autid_uy$valor)) %>%
mutate(Partido = case_when(
year >= 1995 & year <= 2004 ~ "Partido Colorado",
year >= 2005 & year <= 2019 ~ "Frente Amplio",
year >= 2020 ~ "Partido Nacional",
))
# Distribución
plot_autid <- ggplot(expanded,
aes(x = as.numeric(autid), y = fct_rev(as.factor(year)), fill = Partido)) +
ggridges::geom_density_ridges(rel_min_height = 0.005,
scale = 3,
alpha = .4,
color = "black",
linetype = 1, # Tipo de línea
lwd = 0.5,
quantile_lines = TRUE,
quantile_fun = mean) +
theme_minimal() +
theme(legend.position = "none") +
# stat_density_ridges(quantile_lines = TRUE, alpha = 0.75, quantiles = 2) +
labs(title = "Distribución de autoidentificación ideológica por año",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de Latinobarómetro',
x = "", y = "") +
scale_fill_manual(values = c("#013197", "#BA0200", "#5DADE2")) +
scale_x_continuous(breaks = seq(0, 10, by = 2)) +
geom_label(data = uy_media,
aes(label = Media , x= 12.5), fill = "white",
fontface="bold", size=4, show.legend = FALSE, vjust=-.25) +
geom_label(data = uy_media,
aes(label = sd , x= 14), fill = "white",
fontface="bold", size=4, show.legend = FALSE, vjust=-.25) +
annotate("text",
label = "Media",
x = 12.5,
y = 23.5,
fontface = "bold") +
annotate("text",
label = "Desvío",
x = 14,
y = 23.5,
fontface = "bold") El gráfico anterior muestra la distribución de la autoidentificación ideológica de los uruguayos a lo largo del tiempo utilizando datos de Latinobarómetro. La linea vertical dentro de la distribución indica la media de cada año. Al igual que en la mayoría de los países, la autoidentificación ideológica de los uruguayos tiene a grandes rasgos una forma de campana, con la mayoría de los votantes ubicándose en las categorías del medio de la distribución (valores de 4 a 6 en la escala de 0 a 10). Sin embargo, se pueden observar variaciones considerables en el período 1995-2020.
En la década de 1990 la autopercepción ideológica de los uruguayos estaba ligeramente inclinada a la derecha, aunque con cierta variación interanual. El procentaje de personas autoidentificadas con los valores más hacia a la izquierda en la escala era menor que hacia a la derecha. Ya a mediados de la década del 2000, en coincidencia con el cambio la llegada del Frente Amplio al gobierno, la autoidentificación ideológica de los uruguayos pasa a estar ligeramente inclinada hacia a la izquierda, disminuyendo el porcentaje de personas en la cola derecha de la distribución, al mismo tiempo que aumentando en la cola izquierda, alcanzando los valores máximos en 2011 (media de 4.4). Por último, a partir de 2016 la tendencia para cambiar hacia una autoidentificación más cercana al centro en promedio (cercana al 5). Los datos de 2020 sugieren un aumento en ambas colas de la distribución (mayor % de encuestados autoidentificándose con los valores hacia los dos extremos de la escala ideológica, reflejado en el nivel máximo de desviación estandar de la serie), aunque solo con las siguientes encuestas podremos ver si esto se consolida como una tendencia.
Tabla
Código en R
## Instalar en caso de ser necesario
# install.packages("tidyverse")
# install.packages("ggridges")
library(tidyverse)
library(ggridges)
# Cargar tabla con datos y cambiar formato a largo
autid <- readxl::read_excel("data/latino/autid.xlsx") %>%
pivot_longer(`0`:n,
names_to = "cat",
values_to = "valor") %>%
mutate(valor = as.numeric(valor))
# Comparación Uru vs la región
autid_la <- autid %>%
filter(pais %in% c("Total América Latina", "Uruguay"))
autid_la_uy <- autid_la %>%
filter(cat != "Media",
cat != "n",
cat != "sd") %>%
mutate(valor = valor * 1000) %>%
filter(!is.na(valor))
# Expandir datos agregados a observaciones
df_expanded <- data.frame(autid = rep(autid_la_uy$cat, autid_la_uy$valor),
year = rep(autid_la_uy$year, autid_la_uy$valor),
pais = rep(autid_la_uy$pais, autid_la_uy$valor))
# Gráfico
ggplot(df_expanded,
aes(x = as.numeric(autid), y = fct_rev(as.factor(year)),
fill = pais, linetype = pais)) +
geom_density_ridges(alpha = .6,
quantile_lines = TRUE,
quantile_fun = mean) +
scale_linetype_manual(name = "",
values = c("solid", "dashed")) +
scale_fill_manual(name = "",
values = c("gold2",
"dodgerblue3")) +
labs(title = "Distribución de autoidentificación ideológica por año",
subtitle = "Comparación total América Latina y Uruguay",
caption = 'Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de Latinobarómetro',
x = "", y = "") +
theme_minimal() +
theme(legend.position = "bottom") +
scale_x_continuous(breaks = seq(0, 10, by = 2))
ggsave("data/latino/ideo_comp.png", height = 30, width = 20, units = "cm")El gráfico anterior compara la distribución de la autoidentificación ideológica de los uruguayos y del total de 18 países de América Latina, con datos de Latinobarómetro. Si bien existe una importante superposición entre ambas distribuciones también es posible observar diferencias. Durante gran parte del período 1995-2020 los lationamericanos en promedio se ubican mas hacía la derecha, particularmente con un mayor porcentaje del electorado ubicado en la sobre el extremo derecho de la distribución. Por el contrario, los uruguayos se ubican en mayor medida en los valores medianos de la distribución, particularmente hacia la izquierda, entre el 2 y el 4. En los últimos años parece haber un mayor acople de la distribución de la ideología simbólica de los uruguayos con el resto de América Latina.
| Ideología simbólica en América Latina en 2020 | |||
|---|---|---|---|
| País | Media | Desvío estandar | % sin identificación |
| Chile | 4.5 | 2.2 | |
| Argentina | 5.3 | 2.5 | |
| Nicaragua | 5.1 | 3.8 | |
| Ecuador | 4.6 | 3.0 | |
| El Salvador | 5.8 | 2.8 | |
| Paraguay | 5.2 | 2.5 | |
| México | 4.5 | 2.6 | |
| Total América Latina | 5.0 | 3.0 | |
| Venezuela | 5.4 | 3.0 | |
| Guatemala | 5.3 | 3.4 | |
| Honduras | 4.7 | 3.7 | |
| Costa Rica | 4.6 | 2.8 | |
| Bolivia | 4.6 | 2.6 | |
| Colombia | 4.7 | 2.8 | |
| Brasil | 5.1 | 2.9 | |
| Panamá | 4.2 | 3.3 | |
| Perú | 4.8 | 2.6 | |
| Uruguay | 5.0 | 3.2 | |
| Rep. Dominicana | 6.0 | 3.8 | |
| Fuente: Unidad de Métodos y Acceso a Datos (FCS-UdelaR) en base a datos de Latinobarómetro | |||
Actitudes hacia la democracia
Principal problema del país
Referencias bibliográficas
Apellido, Nombre (2010) Nombre de trabajo. Revista
Aguiar, C. A. (2000). La Historia y la historia: Opinión Pública y opinión pública en el Uruguay. Prisma, (15), 7-45.
Baker, A., & Greene, K. F. (2011). The Latin American left’s mandate: free-market policies and issue voting in new democracies. World Politics, 63(1), 43-77.
Calvo, E. (2007). The responsive legislature: Public opinion and law making in a highly disciplined legislature. British Journal of Political Science, 37(2), 263-280.
Carlin, R. E., Love, G. J., & Martínez-Gallardo, C. (2015). Cushioning the fall: Scandals, economic conditions, and executive approval. Political Behavior, 37(1), 109-130.
Carlin, R. E., Hartlyn, J., Hellwig, T., Love, G. J., Martínez-Gallardo, C., & Singer, M. M. (2018). Public support for Latin American presidents: The cyclical model in comparative perspective. Research & Politics, 5(3), 2053168018787690.
Converse, P. E. (2006). The nature of belief systems in mass publics (1964). Critical review, 18(1-3), 1-74.
Ellis, C., & Stimson, J. A. (2012). Ideology in America. Cambridge University Press.
Inglehart, R., & Sidjanski, D. (1976). The left, the right, the establishment and the Swiss electorate. Party identification and beyond, 240-41.
Martinez-Gallardo, C. (2012). Out of the cabinet: what drives defections from the government in presidential systems?. Comparative Political Studies, 45(1), 62-90.
Mason, L. (2018). Ideologues without issues: The polarizing consequences of ideological identities. Public Opinion Quarterly, 82(S1), 866-887.
Pérez-Liñán, A. (2007). Presidential impeachment and the new political instability in Latin America. Cambridge University Press.
Stimson, J. A. (1976). Public support for American presidents: A cyclical model. Public Opinion Quarterly, 40(1), 1-21.
Stimson, J. A., MacKuen, M. B., & Erikson, R. S. (1994). Opinion and policy: A global view. PS: Political Science & Politics, 27(1), 29-35.
Stimson, J. A. (2018). The Dyad ratios algorithm for estimating latent public opinion: estimation, testing, and comparison to other approaches. Bulletin of Sociological Methodology/Bulletin de Méthodologie Sociologique, 137(1), 201-218.
Zuasnábar, Ignacio (2018). Treinta años de opinión pública en el Uruguay. Montevideo: Konrad Adenauer Stiftung.
Autores: Fulanito, Menganito
Equipo de programación: Fulanito, Menganito
Contacto: umad@cienciassociales.com.uy
Unidad de Métodos y Acceso a Datos